基于小波优化多模型结合的不完备风电功率预测

基于小波优化多模型结合的不完备风电功率预测

苏梦梦

广西电网有限责任公司来宾供电局    广西   来宾    546100

摘要: 随着新型电力系统的发展，风电新能源在电力系统发电比例不断升高，大规模风电机组并入电网，因为风电机组的不稳定性对电力系统稳定性带来了新的挑战，因此风电功率预测[1]准确性在电网电力电量平衡和电网安全稳定方面扮演着重要的角色。基于小波优化的多模型结合[2]的不完备风电功率预测[3]，采用多模型结合方式避免单一模型的局限性，同时采用小波优化[4]多模型结合方式保证预测结果唯一性，防止局部极小值点,有助于提高预测预测精度。

关键字：风电功率预测  不完备数据

引言:  风电功率预测对于有效利用风能资源、提高风电场运营效率和电网稳定性至关重要。准确的功率预测可以帮助电力系统运营商更好地规划电力供应，减少备用容量的需求，从而降低运营成本并提高可再生能源市场的竞争力。然而，风电功率预测面临诸多挑战。风速和风向的高度不确定性是主要难题之一，它们受到多种因素的影响，包括气候变化、地形以及季节和日夜变化。此外，极端气候事件的增加加剧了预测的难度，这些事件可能导致预测偏差，影响风电场的输出性能。为了应对这些挑战，需要开发更先进的预测模型，这些模型能够整合大量数据和利用最新的机器学习技术[5]，以提高预测的准确性和可靠性。

风电功率预测对电网管理和能源市场具有重要影响。对于电力调度控制中心而言，准确的预测有助于平衡供需，保证电网的稳定运行。这包括合理调度发电机组，减少因风力发电波动性和不确定性带来的风险。对于能源市场而言，准确的风电预测可以增强市场参与者的信心，促进更高效的能源交易和定价机制。进一步来说，随着风电在全球能源结构中占比的不断上升，风电功率预测的准确性直接关系到可再生能源的经济性和社会接受度。提高预测准确性不仅能够减少对传统发电机组的依赖，降低系统运营成本，还能够促进可再生能源的更广泛应用，推动全球能源转型和气候变化的应对措施。

1.当前风电功率预测的主要方法和技术

传统的风电功率预测主要依赖于两大类方法：统计方法和机器学习技术。每种方法都有其特定的应用场景和效果，以下是这些方法的概述及其应用：

统计方法包含时间序列分析和回归分析。时间序列分析（如ARIMA模型）：依赖于历史风速和功率数据来预测未来的风电输出。这种方法假设过去的模式会在未来重现。回归分析（如线性回归、多项式回归）：建立风速、风向等与风电功率之间的数学关系，用于预测功率。

机器学习技术包含人工神经网络深度学习（ANN）、支持向量机（SVM）、深度学习等。ANN通过模拟人脑的处理方式，ANN能够识别和预测复杂的非线性关系，非常适合处理风电数据的不确定性。SVM是一种监督式学习模型，通过找到分类的最佳边界，SVM在小样本情况下仍然能保持较好的泛化能力。深度学习（如卷积神经网络CNN，循环神经网络RNN）：深度学习模型能够处理大规模数据集，学习数据中的深层特征，提高预测的准确性。

表1 统计方法与机器学习技术的优势和局限型

2.最近的研究进展和创新点

最近的研究集中在提高风电功率预测的准确性和可靠性上，主要的进展和创新点包括：多模型结合、多源数据融合、深度学习的应用、大数据技术。多模型结合：结合多种预测模型的优点，通过集成学习方法（如随机森林、提升方法）来提高预测的准确性和鲁棒性。多源数据融合：利用气象数据、卫星图像、地形信息等多源数据，通过数据融合技术改善预测模型的输入，从而提高预测准确率。深度学习的应用：采用更先进的深度学习架构（如长短期记忆网络LSTM）来捕获时间序列数据中的长期依赖性，尤其是在短期和超短期预测中表现突出。大数据技术：随着风电场和气象站数据的快速增长，大数据处理和分析技术被应用于处理海量数据，以提高预测模型的性能。

风电功率预测按照时间尺度分为超短期预测、短期预测、中期预测以及长期预测。本文主要考虑的是风电功率短期及超短期预测，影响风电功率短期及超短期预测的因素有风速、温度、湿度、风向、季节等，因此风电功率预测对于影响因素的数据采集的要求极为严格，然而在实际生活中，由于风电功率预测影响因素的数据采集装置失电、装置损坏以及系统异常，可能导致采集的数据不完备、缺失、空白以及异常，通过此数据对风电功率预测，会降低风电功率预测的准确性。因此进行风电功率预测前需要对影响因素的数据进行处理、归一化和挖掘后，减轻不完备数据的影响和数据量纲的差异，从而提高风电功率预测的准确性。数据归一化是一种常见的数据预处理技术，对数据进行数学变换将其映射到特定范围【0,1】，使得不同影响因素之间存在可比性。针对不完备数据的缺失值的处理方式有很多，删除缺失值的行或列、填充缺失值、插值、忽略缺失值，删除缺失值的行或列的方法只针对重要的数据，此方式对于风电功率预测不可取，忽略缺失值会降低风电功率预测的准确度。目前最常用的方法是插值，插值可以采用均值插值、线性插值或多项式插值等方法将缺失值填充。本文采用均值插值对风电功率数据进行处理。

针对风电场的不同数据，其风电功率预测模型准确度不同，为使得风电功率预测准确度保持较高，采用多模型结合的方式，将不同模型结合起来，并采用相同自适应学习的方式，让最初所有模型系数权重总和为1，且最初权重系数相同，通过自适应学习的方式，多模型中各模型系数权重总和始终保持为1，使得模型预测准确度高的权重系数趋近于1，模型预测准确度低的权重系数趋近于0，通过一定的训练轮数，自适应多模型风电功率预测会保持较高的准确率。多模型结合选用LSTM模型、BP神经网络、SVM模型相结合捕获时间序列数据中的长期依赖性，同时通过气象数据和风电功率的历史数据采集多源数据进行融合改善风电预测模型的输入，从而提高风电功率预测模型的准确性和鲁棒性。采用小波优化，通过设置特殊的隐藏层激活函数,使得预测风电功率时，保证网络解唯一性，防止局部极小值点，提高收敛速度，保证其预测误差具有更好的收敛性。研究结果表明:小波优化多模型结合的风电功率预测具有有效性与可行性。研究结论小波优化能够防止局部极小值点，有助于提高预测速度。

总结

基于“碳达峰、碳中和”的目标，新型电力系统中新能源风电比例不断上升，提高风电功率预测准确度对电网调峰调频、电网电压稳定提供重要保障，同时也为削峰填谷的峰谷电价的推广提供了基础保证。风电功率预测是实现风能高效利用和电力系统稳定运行的关键。尽管存在挑战，通过持续的技术创新和方法改进，预测的准确性和可靠性正在不断提高。未来的研究将多任务学习继续探索更为高效、智能的风电功率预测方法，以更好地促进风电技术的发展和可再生能源的广泛应用。

参考文献

[1]陈万志,戎馨鑫,王天元.改进Informer的风电功率短期预测[J/OL].计算机系统应用:1-9[2024-04-06].https://doi.org/10.15888/j.cnki.csa.009499.

[2]唐清苇,向月,代佳琨,等.基于CNN–LSTM的风电场发电功率迁移预测方法[J].工程科学与技术,2024,56(02):91-99.DOI:10.15961/j.jsuese.202201165.

[3]陈刚,王印,单锦宁,等.生成对抗网络在风电功率预测中的应用[J].辽宁工程技术大学学报(自然科学版),2021,40(03):258-264.

[4]陈刚,赵鹏,单锦宁,等.小波优化多任务学习的综合能源负荷预测[J].辽宁工程技术大学学报(自然科学版),2021,40(02):163-169.

[5]吴肃霜,蔡小路,李俊贤.风电功率预测方法与最新技术发展研究[J].水电与新能源,2024,38(03):38-41+45.DOI:10.13622/j.cnki.cn42-1800/tv.1671-3354.2024.03.010.